SLIC超像素分割算法和目前超像素算法的比较..pdfVIP

IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE, VOL.34, NO.11, NOVEMBER 2012 的优点和缺点，可能更适合特定的应用程 序。 例如， 如果图像边界吻合度是非常重要 SLIC 超像素分割算法和目前 的，那么基于图的方法会是一个理想的选 择。然而，如果是用超像素来构建一幅图像， 超像素算法的比较 那么如 [ 23 ]这种产生一个更为常规的晶格的 方法可能是更好的选择。 虽然很难界定什么 是对所有应用都理想的方法， 我们相信以下 Radhakrishna Achanta, IEEE 专业会员 , 性能通常是可取的： Appu Shaji, Kevin Smith, IEEE 专业会员 , 1. 超像素应该有好的图像边界吻合度。 Aurelien Lucchi, Pascal Fua, IEEE 会士 , 2. 当用于减少计算的复杂性时， 作为一个预 and Sabine Susstrunk, 处理步骤，超像素应该可被快速计算， 占据 IEEE 高级会员 较小的内存，和简单的使用。 3. 当用于分割的目的时， 超像素分割既要能 够提高处理速度又要提高搜索结果的质量。 摘要 近年来计算机视觉应用已经越来越依赖于 我们验证比较了 5 种目前使用的超像素算法 超像素处理，但它并不总是很清楚什么是一个好的 [ 8 ] ， [ 23 ] ，[ 26 ] ，[ 25 ] ，[ 15 ] 的速度，图像边界 超像素的算法。为了了解目前算法的优点和缺点， 吻合度以及分割性能的影响。 我们也提供对 我们验证比较了 5 种目前使用的超像素算法与图像 这几种超像素分割法的定性评估。 我们的结 边缘吻合的能力，速度，内存使用率和它们对于分 论是， 没有一种现有的方法完全满足上述所 割效果的影响。我们引入了一种基于应用 k-means 有性能。 聚类算法的简单线性迭代聚类 （SLIC ）的新的超像 素算法以有效生成超像素。尽管它很简单， SLIC 为了解决这个问题， 我们提出了一种新的超 对于边界的吻合度与之前的算法相比不分上下甚 像素的算法：简单线性迭代聚类（ SLIC ）， 至更好。同时，它速度更快，占用内存更小，分割 它应用 k-means 聚类算法以相似的方法生成 性能更优，并直接扩展了超体素生成。 超像素 [ 30 ] 。显而易见的是，在伯克利基准